Pemateri
Ilham Jamaluddin
Data Scientist/Instruktur GeosoftwareIlham Jamaluddin adalah seorang mahasiswa Doktoral (S3) di bidang Ilmu Komputer dan Teknik Informatika di National Central University, Taiwan. Beliau memiliki latar belakang pendidikan S2 dalam Sains dan Teknologi Penginderaan Jauh dari universitas yang sama dan S1 Kartografi dan Penginderaan Jauh dari Universitas Gadjah Mada (UGM). Fokus risetnya saat ini meliputi machine learning dan deep learning untuk analisis data penginderaan jauh seperti citra optik, SAR, dan LiDAR. Dengan pengalaman riset serta keahlian dalam pemrosesan data dan bahasa pemrograman seperti Python, Ilham memiliki pemahaman mendalam tentang penerapan teknologi komputasi dan perangkat lunak dalam analisis data kompleks.
Deskripsi
Pelatihan ini dirancang untuk membekali Sobat Geosoftware dengan kemampuan lanjutan dalam pemetaan banjir menggunakan citra Sentinel-1 SAR. Peserta mempelajari analisis pra–pasca banjir, termasuk pengambilan citra multi-temporal, preprocessing data, pembuatan image difference, dan penerapan thresholding untuk menghasilkan peta batas genangan yang lebih akurat.
Peserta juga berlatih menggunakan metode supervised machine learning untuk klasifikasi banjir, dimulai dari pembuatan sampel di QGIS, pengolahan dataset, training dan hyperparameter tuning, hingga evaluasi akurasi dan inference model di Google Colab.
Melalui praktik langsung dan Mini Project, peserta memperoleh pemahaman lengkap tentang workflow pemetaan banjir tingkat menengah—mulai dari pemrosesan data, analisis luasan banjir, hingga pembuatan layout peta final yang siap digunakan.
Jadwal dan List Materi:
Sesi 1 — Pemetaan Banjir dengan Threshold Technique
- Review dasar penggunaan Sentinel-1 SAR untuk banjir.
- Pengambilan citra Sentinel-1 pra & pasca banjir di Google Colab.
- Visualisasi dan analisis perubahan citra multi-temporal.
- Preprocessing data SAR untuk analisis banjir.
- Pembuatan image difference.
- Penentuan threshold untuk batas genangan.
- Permanent water masking.
- Penentuan final flood extent.
- Visualisasi hasil & perhitungan luasan banjir.
- Export hasil pemetaan.
Sesi 2 — Pemetaan Banjir dengan Supervised Machine Learning (Part 1)
- Review kendala sesi sebelumnya.
- Dasar supervised ML untuk pemetaan banjir.
- Download dan export data VV–VH pra–pasca banjir.
- Pembuatan sampel kelas tubuh air di QGIS.
- Pengolahan data sampel di Google Colab.
- Pembersihan & persiapan dataset training.
Sesi 3 — Pemetaan Banjir dengan Supervised Machine Learning (Part 2)
- Review sesi sebelumnya.
- Pemrosesan dataset lanjutan (train–test split).
- Training supervised ML untuk pemetaan banjir.
- Hyperparameter tuning.
- Evaluasi akurasi model.
- Inference model untuk menghasilkan peta banjir.
Sesi 3 — Visualisasi Hasil, Analisis Dampak, dan Final Layout Peta
- Review sesi ketiga.
- Visualisasi hasil pemetaan banjir.
- Export hasil ke QGIS.
- Perhitungan akurasi hasil pemetaan.
- Perhitungan luasan banjir.
- Analisis dampak banjir (pertanian & urban).
- Pembuatan layout peta final.
Konten
Pemetaan Banjir dengan Threshold Technique (Pra–Pasca Banjir)
Silabus
01
Silabus
Akses silabus melalui link berikut: https://s.id/SilabusSARFSeries
Frequently Asked Question
Apa fokus utama pelatihan ini?
Pelatihan ini berfokus pada pemetaan banjir tingkat menengah menggunakan citra Sentinel-1 SAR, mencakup analisis pra–pasca banjir, pembuatan image difference, thresholding lanjutan, serta penerapan supervised machine learning untuk klasifikasi banjir.
Apakah pelatihan ini cocok untuk pemula?
Tidak sepenuhnya. Peserta disarankan sudah memahami GIS, Python, dan dasar penginderaan jauh. Pemula masih bisa mengikuti, tetapi perlu usaha lebih untuk mengejar konsep teknis.
Haruskah saya mengikuti Kelas Dasar terlebih dahulu?
Direkomendasikan, terutama jika belum familiar dengan dasar Sentinel-1 SAR, thresholding dasar, atau penggunaan QGIS dan Google Colab.
Apakah peserta harus menguasai machine learning sebelumnya?
Tidak harus menguasai secara mendalam. Namun, pemahaman dasar tentang dataset, training-testing split, dan konsep klasifikasi sangat membantu dalam mengikuti materi.
Kelas Ini Cocok Untuk?
01
Kemampuan Dasar yang Disarankan untuk Peserta:
1. Pemahaman Dasar Analisis Geospasial & Citra Radar: Peserta diharapkan telah memahami konsep dasar pemetaan, sistem koordinat, proyeksi, serta karakteristik data raster—terutama citra radar seperti Sentinel-1 SAR. Pengetahuan ini penting untuk membaca nilai backscatter, mengenali perubahan citra pra–pasca banjir, dan mengikuti proses thresholding lanjutan. 2. Kemampuan Dasar hingga Menengah dalam Pemrograman Python: Peserta sebaiknya mampu menggunakan Python untuk analisis data, termasuk pengelolaan array, operasi numerik, visualisasi, serta penggunaan library seperti NumPy, Pandas, Rasterio, dan Matplotlib. Kemampuan ini diperlukan untuk menjalankan preprocessing data, membuat image difference, menyiapkan dataset, dan mengoperasikan workflow machine learning di Google Colab. 3. Pemahaman Awal Machine Learning & Klasifikasi Spasial: Peserta perlu memahami konsep dasar supervised machine learning seperti dataset training–testing, fitur input, label, akurasi, serta alur training–evaluation–inference. Pemahaman ini sangat membantu dalam proses membangun model klasifikasi banjir dan menafsirkan hasil prediksi model....
02
Spesifikasi Perangkat yang Disarankan:
1. Sistem Operasi: Menggunakan Windows 10/11 (64-bit), macOS versi terbaru, atau Linux (misalnya Ubuntu 20.04 LTS atau lebih baru) untuk memastikan kompatibilitas penuh dengan QGIS, Google Colab, dan seluruh library geospasial yang digunakan dalam pemrosesan data pra–pasca banjir dan workflow machine learning. 2. Prosesor (CPU): Minimal prosesor Intel Core i5 generasi ke-8 atau setara (AMD Ryzen 5 2000 series). Disarankan prosesor Intel Core i5 generasi ke-10 atau Ryzen 5 3000 series guna mendukung proses preprocessing citra SAR, pembuatan image difference, dan eksekusi script machine learning secara lebih stabil. 3. Memori (RAM): Minimal 8 GB RAM untuk kebutuhan dasar. Namun, direkomendasikan 16 GB RAM agar pengolahan data spasial multi-temporal, pemuatan dataset training, serta visualisasi hasil klasifikasi dapat berjalan lebih lancar tanpa terjadinya bottleneck....
03
CATATAN
Pelatihan ini diperuntukkan bagi peserta yang ingin memperdalam analisis banjir menggunakan Python dan citra Sentinel-1 SAR pada tingkat menengah. Peserta diharapkan telah memahami dasar GIS, Python, serta konsep awal penginderaan jauh agar dapat mengikuti alur materi dengan baik. Materi disusun secara bertahap, mencakup pengolahan citra SAR pra–pasca banjir, pembuatan image difference, penerapan teknik thresholding lanjutan, hingga pembangunan model supervised machine learning untuk klasifikasi banjir. Seluruh proses analisis dilakukan menggunakan QGIS dan Google Colab untuk memastikan peserta mampu menghasilkan peta banjir yang akurat dan siap digunakan dalam studi lanjutan....